GPT-4V 学会自动主宰电脑，这一天终于照旧到来了。

只需要给 GPT-4V 接入鼠标和键盘，它就能凭据浏览器界面上网：

以至还能快速摸明晰“播放音乐”的播放器网站和按钮，给我方来一段 music：

是不是有点细想极恐了？

这是一个 MIT 本科生小哥整出来的新活，名叫 GPT-4V-Act。

只需要几个简短的器具，GPT-4V 就能学会截至你的键盘和鼠标，用浏览器上网发帖、买东西以至是玩游戏。

如果用到的器具出 bug 了，GPT-4V 以至还能坚忍到、并试图贬责它。

来望望这是若何作念到的。

GPT-4V-Act，本色上是一个基于 Web 浏览器的 AI 多模态助手（Chromium Copilot）。

它不错像东说念主类相通用鼠标、键盘和屏幕“检验”网页界面，并通过网页中的交互按键进行下一步操作。

要竣事这种驱散，除了 GPT-4V 之外，还用到了三个器具。

一个是 UI 界面，不错让 GPT-4V“看见”网页截图，也能让用户与 GPT-4V 发生交互。

bitpie是正规的吗

这么，GPT-4V 就能将每一步驱动想路齐通过对话框的体式反应出来，用户来决定是否要连续让它操作。

另一个是 Set-of-Mark Prompting（SoM）器具，让 GPT-4V 学会交互的一款器具。

这个器具由微软发明，缱绻是更好地对 GPT-4V 进行请示词工程。

比拟让 GPT-4V 径直“看图讲话”，这个器具不错将图片关键细节拆分红不同的部分，并进行编号，让 GPT-4V 有的放矢：

关于网页端亦然如斯，Set-of-Mark Prompting 用雷同的样式让 GPT-4V 知说念从网页浏览器的哪个部分找谜底，并进行交互。

临了，还需要用到一个自动标注器（JS DOM auto-labeler），不错将网页端统共能交互的按键标注出来，让 GPT-4V 决定要按哪个。

一套过程下来，GPT-4V 不仅能准确判断图片上的哪些内容允洽需求，还能准确找到交互按键，并学会“自动上网”。

这是个大神志，现在还只竣事了部分功能，包括点击、打字交互、自动标注等。

接下来，还有其他的一些功能要竣事，举例试试 AI 打标器（现在网页端的交互照旧通过通过 JS 接口得知那儿能交互，不是 AI 识别的）、以及请示用户输入详备信息等。

此外，作家也提到，现阶段 GPT-4V-Act 用法上还有一些需要贯注的地点。

举例，GPT-4V-Act 可能会被网页绽开后漫天掩地的弹窗小告白给“整懵了”，然后出现交互 bug。

又举例，现在这种玩法可能会违犯 OpenAI 的居品使用规矩：

是以用的本事也要低调小数（doge）

这个神志在网上发出后，引诱了不少东说念主的围不雅。

像是小哥用到的微软 Set-of-Mark Prompting 器具的作家，就发现了这个神志：

还有网友提到，以至不错用来让 AI 我方读取考据码。

这个在 SoM 神志中提到过，GPT-4V 是能收效解读考据码的（是以以后可能还真不知说念是东说念主照旧机器在上网

）。

与此同期，也有网友一经在瞎想桌面流自动化（desktop automation）的操作了。

对此作家复兴称：

不外现在 GPT-4V 照旧要收费的，有莫得其他的竣事法度？

作家也暗示，现在还莫得，但如实可能会尝试 Fuyu-8B 大要 LLaVAR 这么的开源模子。

免费的自动化桌面流 AI 助手，不错期待一波了。

参考聚集：

本文来自微信公众号：量子位 （ID：QbitAI），作家：萧箫

告白声明：文内含有的对外跳转聚集（包括不限于超聚集、二维码、口令等体式），用于传递更多信息，检朴甄选时分比特派什么，驱散仅供参考，IT之家统共著述均包含本声明。

　　声明：新浪网独家稿件，未经授权终止转载。 -->